Czy Vidu Q4 mówi po polsku? Sprawdziłem 4 klipy Whisperem

👁 117 przeczytań

Vidu Q4 mówi po polsku tylko częściowo. 12 listopada 2026 zrobiłem w nim 4 klipy z polskimi kwestiami i przepisałem dźwięk modelem Whisper. Krótkie zdania wyszły zrozumiale (10-13% źle rozpoznanych słów), ale nasz stały łamaniec ze Szczebrzeszynem miał 5 błędów na 12 słów, a 16-sekundowy monolog Whisper bez podpowiedzi uznał za słowacki. Kling 4.0 w tym samym łamańcu nie pomylił ani słowa.

Jak testowałem

Model Vidu Q4 (wersja Preview) przez WaveSpeedAI, dźwięk włączony, każdy klip wygenerowany raz, bez losowania od nowa. Polecenia po angielsku, a kwestie po polsku w cudzysłowie, np. says in Polish: „…”. Obrazy startowe to dwie fikcyjne postacie (piekarka i rybak) z Seedream 5.5, nie prawdziwe osoby. Dźwięk przepisałem modelem faster-whisper large-v3 dwa razy: z automatycznym wykrywaniem języka i z językiem ustawionym na polski. WER, czyli odsetek źle rozpoznanych słów, liczyłem po zamianie liczb na słowa. Ta sama metoda co w moim teście Kling 4.0 po polsku.

Klip 1: łamaniec ze Szczebrzeszynem (720p, 5 s)

To samo zdanie, którym od września sprawdzam polską mowę we wszystkich modelach wideo. Ma najtrudniejsze polskie zbitki: „szcz”, „chrz”, „brz”, „trz”.

Whisper rozpoznał język jako polski z pewnością 0,71. Błędy w 5 z 12 słów: „Szczebrzeszynie” się rozpadło, „chrząszcz” zmienił się w „żaść”, a „płacę” w „płaczę”. Ruch ust trzyma się dźwięku, ale fonetyka jest obca. Ocena 5/10. Dla porównania: Kling 4.0 0% błędów (21.10), Kling 3.0 od 33 do 83% (28.09).

Klip 2: monolog 16 s w 1080p

Najdłuższy klip, jaki Q4 robi w jednym przebiegu. Piekarka zdejmuje bochenek, łamie go i mówi 4 zdania: „Dzień dobry. Ten chleb piekę na zakwasie od dwudziestu lat. Najpierw mąka żytnia, potem woda i sól, a resztę robi czas. Spróbujcie, jeszcze jest ciepły.”

Obraz jest świetny: para nad chlebem, płynny najazd od planu średniego do zbliżenia, stała twarz. Z mową gorzej. Bez podpowiedzi Whisper uznał nagranie za słowackie i dopisał na początku zwrot, którego w klipie nie ma. Z językiem ustawionym na polski wyszło: „Ten ślep piekł na zasławę od 20 lat. Najpierw małka żytnia…”, czyli 8 błędów na 25 słów (32%). Polak zrozumie sens, ale akcent jest wyraźnie obcy. Ocena 6/10.

Klip 3: rybak, 2 zdania (720p, 8 s)

Whisper: „Szczęść Boże. Dziś morze spokojne, ale jutro będzie trwało. Sieci trzeba polatać jeszcze przed wieczorem.” Pomylone 2 słowa z 15 („wiało” i „połatać”), język polski z pewnością 0,98. Niski, chrapliwy głos pasuje do postaci, słychać mewy i fale. Ocena 7,5/10.

Klip 4: dialog dwóch postaci z referencji (1080p, 10 s)

Tryb referencji: 2 obrazy (piekarka i rybak), model sam układa scenę. Piekarka podaje chleb: „Proszę, prosto z pieca.” Rybak: „Dziękuję, pani Basiu, jutro przyniosę dorsza.”

Najlepszy klip testu. Obie postacie wyglądają jak na obrazach wejściowych, jest plan ogólny i zbliżenie, zgodnie z poleceniem. Każda postać ma inny głos. Whisper: „Proszę, prosto z biega. Dziękuję, pani Basiu. Jutro przyniosę dorsza.” To 1 błąd na 10 słów. Ocena 8/10.

Wyniki obok siebie

Razem 62 słowa, 16 błędów (26%). Koszt 4 klipów z mową: 4,36 USD, czas generowania od 2 do 8 minut na klip.

Jak wycisnąć z Vidu Q4 lepszy polski

1. Krótkie kwestie. Przy 1-2 zdaniach na klip wyniki były wyraźnie lepsze niż w monologu.
2. Proste słowa. Zbitki „szcz”, „chrz”, „brz” model psuł najczęściej.
3. Próbka głosu w trybie referencji. Q4 przyjmuje do 3 nagrań głosu. Tego w teście nie sprawdzałem, ale to najprostsza droga do polskiej barwy.
4. Dubbing osobno. Przy długiej kwestii lepiej wygenerować klip bez mowy, a polski głos nagrać osobno, np. w ElevenLabs.
5. Do długich polskich dialogów lepszy jest Kling 4.0.

Najczęstsze pytania

Czy Vidu Q4 mówi po polsku?

Tak, ale z obcym akcentem. W moim teście krótkie kwestie miały 10-13% źle rozpoznanych słów, łamaniec 42%. Vidu nie deklaruje polskiego.

Czy pisać polecenie po polsku?

Polecenie lepiej po angielsku, a kwestię do wypowiedzenia po polsku w cudzysłowie. Tak robiłem we wszystkich klipach.

Który model wideo najlepiej mówi po polsku?

W moich testach Kling 4.0 (0% błędów w łamańcu). Vidu Q4 jest wyraźnie słabszy. Porównanie modeli: Vidu Q4 vs Kling, Seedance i Veo.

Ile kosztował test?

4 klipy z mową kosztowały 4,36 USD (0,095 USD za sekundę 720p, 0,12 USD za 1080p). Wszystkie stawki: Vidu Q4 cena.

Link do ElevenLabs jest partnerski: jeśli kupisz przez niego, serwis dostaje prowizję, a Ty płacisz tyle samo. Nie wpływa to na treść, także tam, gdzie piszę krytycznie.